CN112329603A - 一种基于图像级联的坝面裂纹缺陷定位方法 - Google Patents
一种基于图像级联的坝面裂纹缺陷定位方法 Download PDFInfo
- Publication number
- CN112329603A CN112329603A CN202011207822.9A CN202011207822A CN112329603A CN 112329603 A CN112329603 A CN 112329603A CN 202011207822 A CN202011207822 A CN 202011207822A CN 112329603 A CN112329603 A CN 112329603A
- Authority
- CN
- China
- Prior art keywords
- image
- feature extraction
- crack
- feature
- extraction branch
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像级联的坝面裂纹缺陷定位方法,包括:S1、通过无人机采集坝面图像,并对其进行数据处理;S2、通过具有四条特征提取分支的网络结构,对处理后的数据进行特征提取,输出具有多层不同语义信息的特征图;S3、对具有不同语义信息的特征图进行图像融合处理,得到具有裂纹位置及形状的图像,实现裂纹缺陷定位。本发明利用图像的语义分割,提高了裂缝定位的效率,降低了成本;能够很好的识别传统方法中需要人为确定的裂缝,自动化处理水平高,准确率高,为水利工程的日常维护极大的减轻了工作量;相比于现有方法,能够更好的对裂缝进行定位,标记准确裂缝位置的同时提取更为完整的裂缝形状,对细节信息的捕捉更为精确。
Description
技术领域
本发明属于坝面裂纹检测技术领域,具体涉及一种基于图像级联的坝面裂纹缺陷定位方法。
背景技术
裂缝定位作为水利工程巡检的重要部分,其定位精度对水利工程的安全有至关重要的影响,基于深度学习的裂缝定位作为缺陷检修前的重要工作步骤,不仅可以准确的描述裂缝位置、形状,也可以为水利枢纽的日常维护提供极大的便利。
传统的裂纹定位主要是依靠经验进行人工检测,而基于目标检测的半自动方式是近年来尝试处理裂缝定位任务的一种重要方法,已经被用于完成裂缝定位的相关工作。上述两种方式中,人工检测方式由于其简单性而被广泛应用,但人工检测的方法受到恶劣的环境、检测人员的主观意识的限制严重,而基于目标检测的半自动定位方式相比于传统方法有了很大的进步,但使用边框来描述裂缝只能标记裂缝的粗略位置信息,而不能描述裂缝的形状,是一种不准确的方法。
发明内容
针对现有技术中的上述不足,本发明提供的基于图像级联的坝面裂纹缺陷定位方法解决了现有的缺陷定位方法存在的提取裂缝位置信息不准确,捕捉裂缝形状细节确实的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于图像级联的坝面裂纹缺陷定位方法,包括以下步骤:
S1、通过无人机采集坝面图像,并对其进行数据处理;
S2、通过具有四条特征提取分支的网络结构,对处理后的数据进行特征提取,输出不同尺度下的具有多层不同语义信息的特征图;
S3、对具有多层不同语义信息的特征图进行图像融合处理,得到具有裂纹位置及形状的图像,实现裂纹缺陷定位。
进一步地,所述步骤S1具体为:
S11、将无人机采集到的坝面图像切割成512×512的图像,并对其进行筛选,获得包含裂纹的图像;
S12、对筛选出的图像进行像素级标记,得到具有裂纹标签的图像,形成数据集;
S13、在数据集中随机抽取80%作为训练集,剩余20%作为测试集;
S14、扩充训练集中数据的多样性并保持训练集数据规模不变,完成数据处理。
进一步地,所述步骤S2中的网络结构包括第一特征提取分支、第二特征提取分支、第三特征提取分支和第四特征提取分支;
其中,第一特征提取分支和第二特征提取分支用于提取坝面裂纹的深层语义信息,第三特征提取分支用于提取坝面裂纹的浅层语义信息及完善轮廓边缘信息,第四特征提取分支用于通过以高分辨率图像作为输入图像来补充深层及浅层语义信息的细节信息。
进一步地,所述步骤S2具体为:
S21、将训练集中的原始图像进行尺度变换,分别得到原始图像的1/4、1/2、1和2四种比例的图像;
S22、将比例为1/4的图像输入到第一特征提取分支,得到输出图像为输入图像1/32的特征图;将比例为1/2的图像输入到第二特征提取分支,得到输出图像为输入图像1/16的特征图;将1比例为1的图像输入到第三特征提取分支,得到输出图像为输入图像1/4的特征图;将比例为2的图像输入到第四特征提取分支,得到输出图像为与原始输入图像尺寸相同的比例为1的特征图,即得到具有多层不同语义信息的特征图。
进一步地,所述第四特征提取分支包括三个子分支,所述第四特征提取分支的三个子分支通过对输入图像进行特征提取及融合得到输出比例为与原始输入图像相同的比例为1的特征图。
进一步地,所述第四特征提取分支的三个子分支进行特征提取及融合的方法具体为:
A1、通过第四特征分支分别对输入图像进行特征提取,得到输出图像为原始图像1/4、1/2和1三种比例的特征图;
A2、对比例为1/4的特征图进行二倍上采样,并将上采样后的图像与比例为1/2特征图进行图像融合,得到新的比例为1/2的特征图;
A3、对新的比例为1/2特征图进行二倍上采样,并将上采样后的图像与比例为1的特征图进行图像融合,得到与原始图像比例一致的特征图,作为第四特征提取分支的输出。
进一步地,所述步骤S3中,对具有多层不同语义信息的特征图进行图像融合处理的方法具体为:
对第一特征提取分支输出的比例为1/32的特征图、第二特征提取分支输出的比例为1/16的特征图、第三特征提取分支输出的比例为1/4的特征图和第四特征提取分支输出的比例为1的特征图进行逐级图像融合处理,并在图像融合处理过程中以融合后图像对应尺度的真值进行监督训练,完成重图像融合处理。
进一步地,所述步骤S3中,将基于训练集进行的特征提取及融合处理的实现过程对应的卷积神经网络结构作为图像裂纹预测模型,将测试集中的图像输入到图像裂纹预测模型中,输出具有裂纹位置及形状的图像,实现裂纹定位。
本发明的有益效果为:
1)利用图像的语义分割,极大的提高了裂缝定位的效率,降低了成本;
2)能够很好的识别传统方法中需要人为确定的裂缝,自动化处理水平高,准确率高,为水利工程的日常维护极大的减轻了工作量;
3)相比于现有方法,能够更好的对裂缝进行定位,标记准确裂缝位置的同时提取更为完整的裂缝形状,对细节信息的捕捉更为精确。
附图说明
图1为本发明提供的基于图像级联的坝面裂纹缺陷定位方法流程图。
图2为本发明提供的图像裂纹预测模型的网络结构示意图。
图3为本发明提供的利用本发明方法实现的坝面裂纹定位效果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
如图1所示,一种基于图像级联的坝面裂纹缺陷定位方法,包括以下步骤:
S1、通过无人机采集坝面图像,并对其进行数据处理;
S2、通过具有四条特征提取分支的网络结构,对处理后的数据进行特征提取,输出不同尺度下的具有多层不同语义信息的特征图;
S3、对具有多层不同语义信息的特征图进行图像融合处理,得到具有裂纹位置及形状的图像,实现裂纹缺陷定位。
本实施例的步骤S1具体为:
S11、将无人机采集到的坝面图像切割成512×512的图像,并对其进行筛选,获得包含裂纹的图像;
S12、对筛选出的图像进行像素级标记,得到具有裂纹标签的图像,形成数据集;
S13、在数据集中随机抽取80%作为训练集,剩余20%作为测试集;
S14、扩充训练集中数据的多样性并保持训练集数据规模不变,完成数据处理。
本实施例利用无人机采集中国某水电站坝面图像而制作反映坝面裂纹的数据集,增加后续构建模型对裂纹边缘信息的关注度,提高了裂纹定位的准确性。
如图2所示,本实施例的步骤S2中的网络结构包括第一特征提取分支、第二特征提取分支、第三特征提取分支和第四特征提取分支;
其中,第一特征提取分支和第二特征提取分支用于提取坝面裂纹的深层语义信息,第三特征提取分支用于提取坝面裂纹的浅层语义信息及完善轮廓边缘信息,第四特征提取分支用于通过以高分辨率图像作为输入图像来补充深层及浅层语义信息的细节信息。
基于上述特征提取结果,本是实施例的步骤S2具体为:
S21、将训练集中的原始图像进行尺度变换,分别得到原始图像的1/4、1/2、1和2四种比例的图像;
S22、将比例为1/4的图像输入到第一特征提取分支,得到输出图像为输入图像1/32的特征图;将比例为1/2的图像输入到第二特征提取分支,得到输出图像为输入图像1/16的特征图;将1比例为1的图像输入到第三特征提取分支,得到输出图像为输入图像1/4的特征图;将比例为2的图像输入到第四特征提取分支,得到输出图像为与原始输入图像尺寸相同的比例为1的特征图,即得到具有多层不同语义信息的特征图。
在上述过程中,通过对输入图像尺度进行变换,在低分辨率输入图像的分支中,减少了总参数及计算量,达到了提高速度的目的,同时为后续的特征提取提供了多尺度的图像基础,以得到更丰富的语义信息;
上述第四特征提取分支包括三个子分支,所述第四特征提取分支的三个子分支通过对输入图像进行特征提取及融合得到输出比例为与原始输入图像相同的比例为1的特征图;
进行特征提取及融合的方法具体为:
A1、通过第四特征分支分别对输入图像进行特征提取,得到输出图像为原始图像1/4、1/2和1三种比例的特征图;
A2、对比例为1/4的特征图进行二倍上采样,并将上采样后的图像与比例为1/2特征图进行图像融合,得到新的比例为1/2的特征图;
A3、对新的比例为1/2特征图进行二倍上采样,并将上采样后的图像与比例为1的特征图进行图像融合,得到与原始图像比例一致的特征图,作为第四特征提取分支的输出。
基于上述过程,以同样的思路进行步骤S3中的图像融合处理,实现方法具体为:
对第一特征提取分支输出的比例为1/32的特征图、第二特征提取分支输出的比例为1/16的特征图、第三特征提取分支输出的比例为1/4的特征图和第四特征提取分支最终输出的比例为1的特征图进行逐级图像融合处理,并在图像融合处理过程中以融合后图像对应尺度的真值进行监督训练,完成第二重图像融合处理。通过对四条特征提取分支提取的特征进行融合,使得最终得到的裂纹语义信息更加完整,有助于提高模型对裂纹的预测精度,
在本实施例的步骤S3中,将基于训练集进行的特征提取及融合处理的实现过程对应的卷积神经网络结构作为图像裂纹预测模型,将测试集中的图像输入到图像裂纹预测模型中,输出具有裂纹位置及形状的图像,实现裂纹定位;;最终输出的结果裂纹位置准确,裂纹形状明显且裂纹边缘清晰,对后续的检测维修工作更加有利。
本发明利用卷积神经网络能更好的表达图像数据深度特征的优点,引入级联图像的概念构建多分辨率输入分支、基于级联特征的概念构建双重特征金字塔结构,使用特征融合模块融合多尺度特征图,采用级联真值进行监督学习,解决裂缝分割场景中分割精度低、细节信息缺失的问题。
实施例2:
利用本发明方法进行实际坝面图像的裂纹定位,定位效果如图3所示,从图3中可以看出,在本网络输出的预测中,样本中的裂缝被完整的分割了出来,位置对应,形状清晰,对于裂缝分割细节缺失的问题也得到了有效的提高,分割出来的裂缝边缘明显,细微陡峭处也清晰的完成了识别,裂缝分割细节度高。
Claims (8)
1.一种基于图像级联的坝面裂纹缺陷定位方法,其特征在于,包括以下步骤:
S1、通过无人机采集坝面图像,并对其进行数据处理;
S2、通过具有四条特征提取分支的网络结构,对处理后的数据进行特征提取,输出不同尺度下的具有多层不同语义信息的特征图;
S3、对具有多层不同语义信息的特征图进行图像融合处理,得到具有裂纹位置及形状的图像,实现裂纹缺陷定位。
2.根据权利要求1所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述步骤S1具体为:
S11、将无人机采集到的坝面图像切割成512×512的图像,并对其进行筛选,获得包含裂纹的图像;
S12、对筛选出的图像进行像素级标记,得到具有裂纹标签的图像,形成数据集;
S13、在数据集中随机抽取80%作为训练集,剩余20%作为测试集;
S14、扩充训练集中数据的多样性并保持训练集数据规模不变,完成数据处理。
3.根据权利要求2所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述步骤S2中的网络结构包括第一特征提取分支、第二特征提取分支、第三特征提取分支和第四特征提取分支;
其中,第一特征提取分支和第二特征提取分支用于提取坝面裂纹的深层语义信息,第三特征提取分支用于提取坝面裂纹的浅层语义信息及完善轮廓边缘信息,第四特征提取分支用于通过以高分辨率图像作为输入图像来补充深层及浅层语义信息的细节信息。
4.根据权利要求3所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述步骤S2具体为:
S21、将训练集中的原始图像进行尺度变换,分别得到原始图像的1/4、1/2、1和2四种比例的图像;
S22、将比例为1/4的图像输入到第一特征提取分支,得到输出图像为输入图像1/32的特征图;将比例为1/2的图像输入到第二特征提取分支,得到输出图像为输入图像1/16的特征图;将1比例为1的图像输入到第三特征提取分支,得到输出图像为输入图像1/4的特征图;将比例为2的图像输入到第四特征提取分支,得到输出图像为与原始输入图像尺寸相同的比例为1的特征图,即得到具有多层不同语义信息的特征图。
5.根据权利要求4所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述第四特征提取分支包括三个子分支,所述第四特征提取分支的三个子分支通过对输入图像进行特征提取及融合得到输出比例为与原始输入图像相同的比例为1的特征图。
6.根据权利要求5所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述第四特征提取分支的三个子分支进行特征提取及融合的方法具体为:
A1、通过第四特征分支分别对输入图像进行特征提取,得到输出图像为原始图像1/4、1/2和1三种比例的特征图;
A2、对比例为1/4的特征图进行二倍上采样,并将上采样后的图像与比例为1/2特征图进行图像融合,得到新的比例为1/2的特征图;
A3、对新的比例为1/2特征图进行二倍上采样,并将上采样后的图像与比例为1的特征图进行图像融合,得到与原始图像比例一致的特征图,作为第四特征提取分支的输出。
7.根据权利要求4所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述步骤S3中,对具有多层不同语义信息的特征图进行图像融合处理的方法具体为:
对第一特征提取分支输出的比例为1/32的特征图、第二特征提取分支输出的比例为1/16的特征图、第三特征提取分支输出的比例为1/4的特征图和第四特征提取分支输出的比例为1的特征图进行逐级图像融合处理,并在图像融合处理过程中以融合后图像对应尺度的真值进行监督训练,完成重图像融合处理。
8.根据权利要求7所述的基于图像级联的坝面裂纹缺陷定位方法,其特征在于,所述步骤S3中,将基于训练集进行的特征提取及融合处理的实现过程对应的卷积神经网络结构作为图像裂纹预测模型,将测试集中的图像输入到图像裂纹预测模型中,输出具有裂纹位置及形状的图像,实现裂纹定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207822.9A CN112329603B (zh) | 2020-11-03 | 2020-11-03 | 一种基于图像级联的坝面裂纹缺陷定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011207822.9A CN112329603B (zh) | 2020-11-03 | 2020-11-03 | 一种基于图像级联的坝面裂纹缺陷定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329603A true CN112329603A (zh) | 2021-02-05 |
CN112329603B CN112329603B (zh) | 2022-09-13 |
Family
ID=74324484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011207822.9A Active CN112329603B (zh) | 2020-11-03 | 2020-11-03 | 一种基于图像级联的坝面裂纹缺陷定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329603B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
CN104573744A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 精细粒度类别识别及物体的部分定位和特征提取方法 |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
CN109859163A (zh) * | 2018-12-19 | 2019-06-07 | 重庆邮电大学 | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN110188817A (zh) * | 2019-05-28 | 2019-08-30 | 厦门大学 | 一种基于深度学习的实时高性能街景图像语义分割方法 |
CN110298791A (zh) * | 2019-07-08 | 2019-10-01 | 西安邮电大学 | 一种车牌图像的超分辨率重建方法和装置 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
US20190362190A1 (en) * | 2018-05-28 | 2019-11-28 | Samsung Electronics Co., Ltd. | Method and system for dnn based imaging |
CN110706239A (zh) * | 2019-09-26 | 2020-01-17 | 哈尔滨工程大学 | 融合全卷积神经网络与改进aspp模块的场景分割方法 |
CN110717921A (zh) * | 2019-09-26 | 2020-01-21 | 哈尔滨工程大学 | 改进型编码解码结构的全卷积神经网络语义分割方法 |
WO2020015167A1 (zh) * | 2018-07-17 | 2020-01-23 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
US20200242153A1 (en) * | 2019-01-29 | 2020-07-30 | Samsung Electronics Co., Ltd. | Method, apparatus, electronic device and computer readable storage medium for image searching |
WO2020177189A1 (zh) * | 2019-03-06 | 2020-09-10 | 中国科学院自动化研究所 | 图像精细化阴影区域分割系统、方法、装置 |
-
2020
- 2020-11-03 CN CN202011207822.9A patent/CN112329603B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463138A (zh) * | 2014-12-19 | 2015-03-25 | 深圳大学 | 基于视觉结构属性的文本定位方法及系统 |
CN104573744A (zh) * | 2015-01-19 | 2015-04-29 | 上海交通大学 | 精细粒度类别识别及物体的部分定位和特征提取方法 |
WO2018036293A1 (zh) * | 2016-08-26 | 2018-03-01 | 杭州海康威视数字技术股份有限公司 | 图像分割方法、装置及全卷积网络系统 |
US20190362190A1 (en) * | 2018-05-28 | 2019-11-28 | Samsung Electronics Co., Ltd. | Method and system for dnn based imaging |
WO2020015167A1 (zh) * | 2018-07-17 | 2020-01-23 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
CN109859163A (zh) * | 2018-12-19 | 2019-06-07 | 重庆邮电大学 | 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法 |
US20200242153A1 (en) * | 2019-01-29 | 2020-07-30 | Samsung Electronics Co., Ltd. | Method, apparatus, electronic device and computer readable storage medium for image searching |
WO2020177189A1 (zh) * | 2019-03-06 | 2020-09-10 | 中国科学院自动化研究所 | 图像精细化阴影区域分割系统、方法、装置 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN110188817A (zh) * | 2019-05-28 | 2019-08-30 | 厦门大学 | 一种基于深度学习的实时高性能街景图像语义分割方法 |
CN110298791A (zh) * | 2019-07-08 | 2019-10-01 | 西安邮电大学 | 一种车牌图像的超分辨率重建方法和装置 |
CN110490884A (zh) * | 2019-08-23 | 2019-11-22 | 北京工业大学 | 一种基于对抗的轻量级网络语义分割方法 |
CN110706239A (zh) * | 2019-09-26 | 2020-01-17 | 哈尔滨工程大学 | 融合全卷积神经网络与改进aspp模块的场景分割方法 |
CN110717921A (zh) * | 2019-09-26 | 2020-01-21 | 哈尔滨工程大学 | 改进型编码解码结构的全卷积神经网络语义分割方法 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN111028217A (zh) * | 2019-12-10 | 2020-04-17 | 南京航空航天大学 | 一种基于全卷积神经网络的图像裂缝分割方法 |
CN111160311A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 |
CN111429403A (zh) * | 2020-02-26 | 2020-07-17 | 北京航空航天大学杭州创新研究院 | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
LIN G等: "RefineNet: multi-path refinement networks for high-resolution semantic segmentation", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
周登文等: "基于多级特征并联的轻量级图像语义分割", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/33.1245.T.20200806.1703.002.HTML》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329603B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021249233A1 (zh) | 一种图像处理方法、目标识别模型训练方法和目标识别方法 | |
CN112233092A (zh) | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 | |
CN114663436A (zh) | 一种基于深度学习的跨尺度缺陷检测方法 | |
CN109190626A (zh) | 一种基于深度学习的多路径特征融合的语义分割方法 | |
CN113837193B (zh) | 一种基于改进U-Net网络的锌浮选泡沫图像分割方法 | |
CN111951285A (zh) | 基于级联深度卷积神经网络的光学遥感影像林地分类方法 | |
CN114120272A (zh) | 一种融合边缘检测的多监督智能车道线语义分割方法 | |
CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
CN111986164A (zh) | 一种基于多源Unet+Attention网络迁移的道路裂缝检测方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN112949612A (zh) | 一种基于无人机高分辨率遥感影像海岸带地物分类方法 | |
CN110378916A (zh) | 一种基于多任务深度学习的tbm图像出渣分割方法 | |
CN112819837A (zh) | 一种基于多源异构遥感影像的语义分割方法 | |
CN114331869A (zh) | 一种坝面裂缝语义分割方法 | |
CN115512220A (zh) | 一种基于改进Unet网络模型的遥感图像道路分割方法 | |
CN113744185A (zh) | 一种基于深度学习和图像处理的混凝土表观裂缝分割方法 | |
CN116052110B (zh) | 一种路面标线缺损智能定位方法及系统 | |
CN112329603B (zh) | 一种基于图像级联的坝面裂纹缺陷定位方法 | |
CN113012167A (zh) | 一种细胞核与细胞质的联合分割方法 | |
CN112950593A (zh) | 一种铁轨表面缺陷语义分割方法 | |
CN111612803A (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN116935175A (zh) | 一种基于多尺度检测头特征融合的车位检测方法 | |
CN114066788B (zh) | 一种平衡的实例分割数据合成方法 | |
CN115861957A (zh) | 一种基于传感器融合的新型动态物体分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |